本發(fā)明通常涉及但不限于視頻監(jiān)控，更具體地，涉及用于多個(gè)圖像中的對(duì)象跟蹤和識(shí)別的方法和裝置。

背景技術(shù)：

對(duì)象跟蹤廣泛應(yīng)用于智能監(jiān)控，因此是計(jì)算機(jī)視覺中非常重要的任務(wù)。自動(dòng)安全監(jiān)控系統(tǒng)一般利用攝像機(jī)或其他圖像捕獲設(shè)備或傳感器來收集圖像數(shù)據(jù)。在簡單的系統(tǒng)中，由圖像數(shù)據(jù)表示的圖像被顯示用于安保人員的同時(shí)篩查，和/或被記錄用于安全漏洞后的后續(xù)參照。在這些系統(tǒng)中，由觀察員執(zhí)行檢測關(guān)注對(duì)象的任務(wù)。當(dāng)系統(tǒng)本身能夠部分或全部執(zhí)行對(duì)象檢測和跟蹤時(shí)，發(fā)生顯著進(jìn)步。

對(duì)象跟蹤的關(guān)鍵之一是能夠描述所跟蹤的對(duì)象或?qū)⑺櫟膶?duì)象與背景區(qū)分的魯棒的對(duì)象觀察模型。在一般的監(jiān)控系統(tǒng)中，例如，可能對(duì)在整個(gè)環(huán)境中移動(dòng)的檢測到的對(duì)象(例如，人、車輛、動(dòng)物、行李等)進(jìn)行跟蹤感興趣。能夠跟蹤檢測到的對(duì)象的現(xiàn)有系統(tǒng)，試圖使用運(yùn)動(dòng)預(yù)測并使用滑動(dòng)窗口方法跟蹤在連續(xù)的視頻幀中選擇的特征，來跟蹤對(duì)象。

美國專利US2012/0274777A1號(hào)公報(bào)公開了“照相機(jī)系統(tǒng)拍攝的對(duì)象的跟蹤方法”，該方法提出了用于根據(jù)圖1所例示的跟蹤對(duì)象的流程圖來學(xué)習(xí)對(duì)象觀察模型的對(duì)象匹配器的方法。該跟蹤方法包括兩個(gè)階段，第一階段是離線學(xué)習(xí)階段，第二階段是在線跟蹤階段。因此，在離線學(xué)習(xí)階段，該方法使用足夠的正、負(fù)訓(xùn)練樣本學(xué)習(xí)對(duì)象匹配器。這里，各離線正樣本是由兩個(gè)圖像構(gòu)成的匹配圖像對(duì)，各離線負(fù)樣本是不匹配圖像對(duì)(步驟100)。從兩個(gè)輸入圖像中提取邊緣方向特征(步驟101)，并經(jīng)由判別訓(xùn)練學(xué)習(xí)多個(gè)這種特征，以構(gòu)成對(duì)象匹配器(步驟102和步驟103)。對(duì)象匹配器能夠通過所學(xué)習(xí)的邊緣方向特征測量兩個(gè)對(duì)象之間的相似度。在在線跟蹤階段，對(duì)象檢測模型檢測多個(gè)關(guān)注對(duì)象(步驟104)， 并且對(duì)象匹配器將所檢測到的對(duì)象與先前的跟蹤對(duì)象進(jìn)行匹配(步驟105)，因此能夠成功地更新所跟蹤的對(duì)象的位置(步驟106)。

此外，在上述美國專利中也公開了邊緣方向特征的提取處理。圖2是更詳細(xì)地示出圖1所例示的“提取方向特征”的步驟的流程圖。首先，輸入兩個(gè)圖像(步驟110)。然后，針對(duì)各圖像的預(yù)定區(qū)域提取兩個(gè)邊緣方向直方圖(步驟111)。最后，通過使用組合功能來組合兩個(gè)邊緣方向直方圖(步驟112)，并比較邊緣方向的直方圖相似度(步驟113)。

也就是說，基于邊緣方向直方圖獲得上述邊緣方向相似度特征。在各輸入圖像的預(yù)定區(qū)域分別提取兩個(gè)邊緣方向直方圖，然后對(duì)其組合，例如直方圖相交或特征級(jí)聯(lián)。

然而，由于直方圖是多維的，邊緣方向直方圖計(jì)算負(fù)荷和直方圖組合兩者都很繁重，而且基于特征的直方圖增加了學(xué)習(xí)和匹配的復(fù)雜性，因此，滑動(dòng)窗口匹配方法變得難以擔(dān)負(fù)。

本發(fā)明旨在解決上述問題。本發(fā)明的一個(gè)目的是提供解決任意上述問題的新方法和裝置。

技術(shù)實(shí)現(xiàn)要素：

根據(jù)本發(fā)明的一個(gè)方面，提供了一種裝置，該裝置包括：輸入單元，其被構(gòu)造為輸入模板窗口圖像和候選窗口圖像；特征圖像獲得單元，其被構(gòu)造為獲得所述模板窗口圖像和所述候選窗口圖像的特征圖像，并基于所述特征圖像提取標(biāo)量圖像間特征；以及相似度計(jì)算單元，其被構(gòu)造為基于所述特征圖像計(jì)算所述模板窗口圖像與所述候選窗口圖像之間的相似度。通過以下參照附圖對(duì)示例性實(shí)施例的描述，本發(fā)明的其他特征將變得清楚。

附圖說明

圖1是例示用于對(duì)象跟蹤的現(xiàn)有技術(shù)方法的流程圖。

圖2是例示用于圖1中的邊緣方向特征提取的現(xiàn)有技術(shù)方法的流程 圖。

圖3是示例性例示能夠?qū)崿F(xiàn)本發(fā)明的實(shí)施例的計(jì)算機(jī)系統(tǒng)的硬件結(jié)構(gòu)的框圖。

圖4是例示本發(fā)明的實(shí)施例的框圖。

圖5是例示根據(jù)本發(fā)明的實(shí)施例的對(duì)象相似度確定方法的流程圖。

圖6是例示標(biāo)量圖像間特征的提取方法的流程圖。

圖7A是輸入圖像對(duì)的示例。

圖7B是一種類型的特征圖像的示例。

圖7C是另一類型的特征圖像的示例。

圖7D是在特征圖像中選擇的特征區(qū)域的示例。

圖8是例示根據(jù)本發(fā)明的實(shí)施例的對(duì)象跟蹤方法的流程圖。

圖9是例示在特定示例中學(xué)習(xí)匹配器的方法的流程圖。

圖10是例示根據(jù)本發(fā)明的實(shí)施例的對(duì)象識(shí)別的方法的流程圖。

具體實(shí)施方式

參照以上列出的附圖，本部分描述了特定實(shí)施例及其具體的結(jié)構(gòu)和操作。請注意，通過僅例示而不限制的方式闡述下文要描述的實(shí)施例，因此這些實(shí)施例不限制本發(fā)明的范圍并能夠在本發(fā)明的范圍內(nèi)被改變?yōu)楦鞣N形式。鑒于本文的教導(dǎo)，本領(lǐng)域的技術(shù)人員將認(rèn)識(shí)到存在等同于本文描述的示例實(shí)施例的范圍。

圖3是示例性例示能夠?qū)崿F(xiàn)實(shí)施例(例如，用于對(duì)象跟蹤和/或識(shí)別的方法和裝置)的計(jì)算機(jī)系統(tǒng)的硬件結(jié)構(gòu)的框圖。

如圖3所示，計(jì)算機(jī)系統(tǒng)至少包括計(jì)算機(jī)1100。例如，計(jì)算機(jī)1100可以是安全設(shè)備、監(jiān)控設(shè)備或其他圖像識(shí)別設(shè)備。請注意，計(jì)算機(jī)1100可以包括一個(gè)或多個(gè)計(jì)算機(jī)，多個(gè)計(jì)算機(jī)能夠單獨(dú)實(shí)現(xiàn)計(jì)算機(jī)1100的各個(gè)功能。

計(jì)算機(jī)1100包括能夠根據(jù)RAM 1130或ROM 1140中存儲(chǔ)的程序處理數(shù)據(jù)和指令的CPU 1120。RAM 1130被用作CPU 1120執(zhí)行各種處理(例 如，本發(fā)明的實(shí)施例)時(shí)的暫時(shí)存儲(chǔ)區(qū)域。

輸入設(shè)備1170包括允許用戶向計(jì)算機(jī)1100發(fā)出各種指令的圖像捕獲設(shè)備或用戶輸入接口或網(wǎng)絡(luò)接口。輸出設(shè)備1160包括輸出外圍接口。顯示設(shè)備1180包括監(jiān)視器或CRT或液晶顯示器和圖形控制器，并顯示本發(fā)明的結(jié)果。

系統(tǒng)總線1150連接CPU 1120、RAM 1130、ROM 1140、輸入設(shè)備1170、輸出設(shè)備1160以及顯示設(shè)備1180。在系統(tǒng)總線1150上傳送數(shù)據(jù)。如本文所使用的，術(shù)語“連接”是指邏輯上或物理上直接連接或通過一個(gè)或多個(gè)中介的間接連接。

通常，本發(fā)明的用于對(duì)象跟蹤或識(shí)別的輸入是各種類型的對(duì)象。例如，對(duì)象可以是圖像捕獲設(shè)備(例如，數(shù)字照相機(jī)、數(shù)字?jǐn)z像機(jī)，傳感器或掃描設(shè)備(例如，掃描器或多功能設(shè)備))獲得的圖像。

圖3所示的計(jì)算機(jī)系統(tǒng)僅是說明性的，并且不旨在限制本發(fā)明，包括其應(yīng)用或使用。例如，輸入設(shè)備1170(例如，圖像捕獲設(shè)備)獲得一些圖像作為輸入圖像，并通過系統(tǒng)總線1150將其發(fā)送并存儲(chǔ)在RAM 1130中。CPU 1120執(zhí)行RAM 1130中存儲(chǔ)的本發(fā)明的方法的程序，然后CPU 1120獲得、計(jì)算、測量并執(zhí)行本發(fā)明公開的所有步驟(例如，圖5至圖6以及圖8至圖10例示的步驟)。之后，CPU 1120能夠通過系統(tǒng)總線1150和輸出設(shè)備1160將結(jié)果發(fā)送到顯示設(shè)備1180。結(jié)果也可以被存儲(chǔ)在RAM 1130中。經(jīng)由網(wǎng)絡(luò)接口，結(jié)果也可以被發(fā)送到遠(yuǎn)程計(jì)算機(jī)以用于其他應(yīng)用。

此外，可以通過軟件、硬件、固件或其任何組合，來執(zhí)行被構(gòu)造為執(zhí)行對(duì)象跟蹤和識(shí)別的本發(fā)明的裝置(例如，圖4所例示的裝置)的各單元、設(shè)備、部件和/或組件。

下文中，將參照附圖描述根據(jù)本發(fā)明的實(shí)施例的對(duì)象跟蹤和識(shí)別的方法和裝置。

[第一實(shí)施例]

圖4是例示本發(fā)明的實(shí)施例的框圖。

如圖4所示，首先，作為輸入設(shè)備1170之一的圖像捕獲設(shè)備獲得一些圖像作為輸入圖像。例如，圖像捕獲設(shè)備獲得初始圖像作為在輸入單元510中輸入的候選圖像。然后，根據(jù)滑動(dòng)窗口方式生成大量候選窗口圖像。輸入單元510還接收當(dāng)在跟蹤或識(shí)別中使用時(shí)要跟蹤的對(duì)象的模板窗口圖像。在圖7A中，作為示例，左邊可以是模板窗口圖像，右邊可以是候選窗口圖像之一。模板窗口圖像和候選圖像是圖像對(duì)。

特征圖像獲得單元520被構(gòu)造為獲得特征圖像，在圖5的步驟131對(duì)其進(jìn)行描述。

處理單元(CPU)1120使用RAM 1130或ROM 1140中存儲(chǔ)的程序和數(shù)據(jù)來執(zhí)行被構(gòu)造為操作本發(fā)明的圖像處理裝置的方法。處理單元(CPU)1120基于候選窗口圖像和模板窗口圖像轉(zhuǎn)換并獲得特征圖像。這里，可以使用所有種類的特征圖像，包括但不限于強(qiáng)度特征圖像、顏色特征圖像、梯度幅值特征圖像、梯度方向特征圖像以及濾波器響應(yīng)特征圖像。在該實(shí)施例中，本發(fā)明使用兩種類型的特征圖像：一種類型是圖7B所示的YCrCb特征圖像，另一種類型是圖7C所示的HOG(方向梯度的直方圖)特征圖像。通過將輸入圖像從RGB顏色空間轉(zhuǎn)換為YCrCb顏色空間來獲得YCrCb特征圖像，并且獲得3通道Y、Cr和Cb。通過將各像素的梯度幅值根據(jù)其梯度方向投影為8個(gè)方向來獲得HOG特征圖像，因此獲得8個(gè)特征圖像。因此，YCrCb特征圖像和HOG特征圖像的總和為總共11個(gè)特征圖像。

相似度計(jì)算單元530被構(gòu)造為計(jì)算模板窗口圖像和各候選圖像之間的相似度，在圖5的步驟132中對(duì)其進(jìn)行描述。

處理單元(CPU)1120使用RAM 1130或ROM 1140中存儲(chǔ)的程序和數(shù)據(jù)來執(zhí)行被構(gòu)造為操作本發(fā)明的圖像處理裝置的方法。在步驟132中，處理單元1120提取標(biāo)量圖像間特征以計(jì)算特征圖像的相似度，在圖6的描述中對(duì)其進(jìn)行例示。

圖6是例示標(biāo)量圖像間特征的提取方法的流程圖。在步驟1321中， 處理單元(CPU)1120從稍后描述的對(duì)象匹配器學(xué)習(xí)處理中獲得特征參數(shù)。在步驟1322中，處理單元(CPU)1120計(jì)算特征圖像的圖像區(qū)域值。通過特征圖像n中的區(qū)域(“R”)內(nèi)的值的總和來表示圖像區(qū)域(例如，如圖7D所示)。因此，該總和可以采取下面的公式：

$\mathrm{sum}(n,R)=\underset{x,y\∈R}{\mathrm{\Σ}}{C}_n(x,y)$

其中，C_n為特征圖像n。區(qū)域(“R”)被定義為易于使用積分圖像技術(shù)(如Otsu運(yùn)算符)快速計(jì)算矩形內(nèi)的總和值的矩形。

并非必須使用區(qū)域內(nèi)的值的總和，而可以使用其他形式(例如，將一個(gè)區(qū)域的總和值減去另一個(gè)區(qū)域的總和值的Haar模式)。唯一的要求是結(jié)果值是標(biāo)量。因此，本領(lǐng)域的技術(shù)人員將認(rèn)識(shí)到本發(fā)明不限定于這種情況。

在步驟1323中，處理單元(CPU)1120計(jì)算特征圖像的標(biāo)量圖像間特征的值。這里，標(biāo)量圖像間特征被定義為以下公式。

$f(n,R)=\frac{{\mathrm{sum}}_1(n,R)}{{\mathrm{sum}}_2(n,R)}$

其中，sum₁是模板窗口圖像的區(qū)域的總和值，sum₂是候選圖像之一的區(qū)域的總和值。例如，sum₁是區(qū)域1的總和值，sum₂是區(qū)域2的總和值(例如，如圖7D所示)。因此，通過將兩個(gè)值相除來計(jì)算標(biāo)量圖像間特征，作為兩個(gè)特征圖像的相似度表示。

用于除法的總和值是特征圖像的區(qū)域內(nèi)的所有像素幅值的總和。即，該幅值總和為特征圖像的一個(gè)區(qū)域中的所有像素幅值的總和。分別計(jì)算兩個(gè)特征圖像的兩個(gè)區(qū)域的兩個(gè)幅值總和。通過將一個(gè)幅值總和除以另一個(gè)幅值總和來得到標(biāo)量圖像間特征值。

相似度確定單元540被構(gòu)造為確定模板窗口圖像與各候選窗口圖像之間的相似度，在圖5的步驟133對(duì)其進(jìn)行描述。

CPU使用RAM 1130或ROM 1140中存儲(chǔ)的程序和數(shù)據(jù)來執(zhí)行被構(gòu)造為操作本發(fā)明的圖像處理裝置的方法。在步驟133中，處理單元1120確定候選窗口圖像與模板窗口圖像的相似度。這里，如果存在標(biāo)量圖像間特征，則標(biāo)量圖像間特征能夠測量候選窗口圖像之一與模板窗口圖像 的區(qū)域圖像的兩個(gè)區(qū)域的相似度。明顯地，標(biāo)量圖像間特征值越接近于1，兩個(gè)區(qū)域越相似。即，當(dāng)除法結(jié)果越接近1時(shí)，相似度越高，否則相似度越低。因此，標(biāo)量圖像間特征給出了兩個(gè)圖像的相似度測量。由于它是標(biāo)量，所以還能夠非?？斓赜?jì)算。

也可以進(jìn)行其他種類的標(biāo)量圖像間特征的定義，只要該定義能夠測量兩個(gè)特征圖像的相似度即可。例如，如下定義兩個(gè)其他標(biāo)量圖像間特征值。因此，本領(lǐng)域的技術(shù)人員將認(rèn)識(shí)到本發(fā)明不限于這種情況。

$f(n,R)=\frac{{\mathrm{sum}}_1(n,R)}{{\mathrm{sum}}_1(n,R)+{\mathrm{sum}}_2(n,R)}$或$f(n,R)=\frac{|{\mathrm{sum}}_1(n,R)-{\mathrm{sum}}_2(n,R)|}{{\mathrm{sum}}_1(n,R)+{\mathrm{sum}}_2(n,R)}$

輸出單元550被構(gòu)造為向輸出設(shè)備1160或顯示設(shè)備1180輸出模板窗口圖像與候選圖像的相似度，或?qū)⑾嗨贫却鎯?chǔ)在RAM 1130或ROM 1140中。

[第二實(shí)施例]

圖8是例示根據(jù)本發(fā)明的實(shí)施例的對(duì)象跟蹤方法的流程圖。

如圖8所示，在本實(shí)施例中，在跟蹤情況下，輸入圖像可以是新圖像幀。對(duì)象圖像可以保持作為要跟蹤的對(duì)象的模板圖像并用于匹配。新圖像和模板圖像是圖像對(duì)。

在步驟12中，處理單元1120生成滑動(dòng)窗口。在本實(shí)施例中，處理單元1120以滑動(dòng)窗口方式生成包含所跟蹤的對(duì)象的大量候選窗口圖像。即，通過滑動(dòng)窗口方式，首先得到用于跟蹤的對(duì)象應(yīng)位于的新的圖像或幀，然后找到預(yù)測對(duì)象模板窗口附近內(nèi)的所跟蹤的對(duì)象的新位置。

在步驟13中，處理單元1120在得到對(duì)象模板圖像和候選窗口圖像之后提取標(biāo)量圖像間特征。將基于上述方法提取標(biāo)量圖像間特征。

在步驟15中，處理單元1120基于下面詳細(xì)描述的學(xué)習(xí)匹配器14以及計(jì)算出的標(biāo)量圖像間特征值，來測量圖像相似度。匹配器給出表示候選窗口圖像與模板圖像的相似度的值。該值越高，候選窗口圖像與模板 圖像越相似。在步驟12中所有生成的候選窗口圖像的相似度值可以用于通過定點(diǎn)置信度值的峰值，來定位最終對(duì)象的位置。

此外，當(dāng)在步驟15中測量圖像相似度時(shí)，如圖9所示，學(xué)習(xí)匹配器14能夠被用于測量相似度，圖9是例示特定示例中的學(xué)習(xí)匹配器的方法的流程圖。

這是用于通過提取多個(gè)標(biāo)量圖像間特征來測量兩個(gè)圖像的相似度的預(yù)先學(xué)習(xí)對(duì)象匹配器。對(duì)象匹配器由c_k(1≤k≤K)代表弱回歸量的若干弱回歸量構(gòu)成。因此，該匹配器的輸出相似度被表示為：

$s=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{c}_k$

即，匹配器的輸出相似度是所有弱回歸量的總和。

弱回歸量c具有如下形式：

其中，f是在步驟13獲得的標(biāo)量圖像間特征的特征值，θ₁和θ₂是最低值和步長，步驟是具有L個(gè)區(qū)間的查找表。因此，弱回歸量接收特征值，計(jì)算所位于的雙區(qū)域，并給出查找值作為輸出。

對(duì)象匹配器學(xué)習(xí)處理

圖9是例示在特定示例中圖8中的學(xué)習(xí)匹配器步驟的方法的流程圖。

在步驟141中，圖像捕獲設(shè)備獲得一些圖像作為輸入成對(duì)圖像訓(xùn)練樣本；例如，輸入離線成對(duì)圖像樣本。正成對(duì)圖像樣本由匹配的跟蹤對(duì)象的兩個(gè)圖像構(gòu)成。負(fù)成對(duì)圖像樣本由跟蹤的對(duì)象的圖像和不包括對(duì)象的圖像構(gòu)成。

通過拍攝包括要跟蹤的對(duì)象的類型(例如，頭部和肩部)的序列圖像來收集樣本。針對(duì)具有圖像模板的一個(gè)特定對(duì)象，發(fā)現(xiàn)其在后面的圖像中的跟蹤窗口位置，并且這兩個(gè)圖像構(gòu)成一對(duì)窗口作為正樣本。實(shí)際 上，正樣本被認(rèn)為是成功匹配且跟蹤的對(duì)象窗口圖像對(duì)。針對(duì)負(fù)樣本，提取后面的圖像中不包含跟蹤對(duì)象的鄰近窗口圖像，并將其與特定對(duì)象窗口圖像組合。

在步驟142中，處理單元1120提取標(biāo)量圖像間特征。生成標(biāo)量圖像間特征池用于提供大量候選特征，然后機(jī)器學(xué)習(xí)算子從這些候選特征中選擇。

標(biāo)量圖像間特征f(n,R)由特征圖像索引n和特征區(qū)域(“R”)確定，通過在所有8個(gè)HOG圖像通道和3個(gè)YcrCb通道排空n，并排空“R”的x、y、w、h參數(shù)，生成特征池。針對(duì)所生成的特征池中的所有特征，針對(duì)每個(gè)樣本(包括正樣本和負(fù)樣本)計(jì)算其特征值。

在步驟143中，處理單元1120學(xué)習(xí)對(duì)象匹配器。判別機(jī)器學(xué)習(xí)算子用于學(xué)習(xí)能夠表示對(duì)象窗口圖像和候選窗口圖像之間的相似度的對(duì)象匹配器。

例如，AdaBoost被用作學(xué)習(xí)算子。AdaBoost能夠自動(dòng)選擇具有最大判別性的標(biāo)量圖像間特征。具有較小判別性或無判別性的標(biāo)量圖像間特征被丟棄，因此，最終分類器僅包含表示更快匹配處理速度的少量標(biāo)量圖像間特征。學(xué)習(xí)具有以下步驟：

1.使用相同權(quán)重初始化所有正樣本和負(fù)樣本。

2.在當(dāng)前的樣本權(quán)重下，針對(duì)各特征以如下方式構(gòu)造弱回歸量：

a)得到所有樣本的所有標(biāo)量圖像間特征值。

b)求正樣本的最小和最大特征值Max和Min，并設(shè)置θ₁＝min以及其中，L＝8是查找表的區(qū)間數(shù)。

c)將所有樣本根據(jù)其特征值劃分到查找表的區(qū)間，然后計(jì)算位于區(qū)間l的樣本的正總和權(quán)重w_pl以及負(fù)總和權(quán)重w_nl，最后，查找表值被設(shè)置為$\mathrm{lut}\left(l\right)=\frac{w_{\mathrm{pl}}}{w_{\mathrm{nl}}}.$

d)計(jì)算弱回歸量的誤差率。

3.找到具有最低誤差率的弱回歸量。

4.根據(jù)AdaBoost的權(quán)重更新規(guī)則來更新樣本權(quán)重。如果學(xué)習(xí)K個(gè) 弱回歸量，則完成。否則進(jìn)入步驟2。

因此，使用該方法，學(xué)習(xí)具有K個(gè)弱回歸量的對(duì)象匹配器。

[第三實(shí)施例]

圖10是例示根據(jù)本發(fā)明的實(shí)施例的對(duì)象識(shí)別方法的流程圖。

如圖10所示，本發(fā)明還應(yīng)用于對(duì)象識(shí)別，對(duì)象識(shí)別旨在通過將未識(shí)別的輸入圖像的相似度與數(shù)據(jù)庫中的一組圖像進(jìn)行比較，來識(shí)別該未識(shí)別的輸入圖像。

圖像捕獲設(shè)備在步驟21中輸入未識(shí)別的圖像和數(shù)據(jù)庫中的一組圖像，然后通過使用上述學(xué)習(xí)匹配器來提取標(biāo)量圖像間特征并測量相似度。最后，未識(shí)別的輸入圖像被識(shí)別為數(shù)據(jù)庫中的所有圖像當(dāng)中給出最高相似度值的數(shù)據(jù)庫中的圖像。

應(yīng)用

上述本發(fā)明能夠自動(dòng)識(shí)別行人離開停放的汽車，并且稍后能夠?qū)⑵渑c進(jìn)入車的人進(jìn)行比較。如果進(jìn)入車的人不是來自乘車的原始組人員，則安保人員能夠收到警報(bào)。通過警報(bào)自動(dòng)發(fā)送視頻短片，使得易于檢查和快速確定是否存在問題。然后安保人員能夠選擇通知車主或報(bào)警。

通過跟蹤對(duì)象的功能，通過跟隨零售商店的個(gè)體購物者的路徑能夠檢測出欺詐。通過該功能，公開的本發(fā)明能夠被教導(dǎo)驗(yàn)證，帶著商品離開商店的顧客是否在離開商店之前到收銀臺(tái)購買了商品。

當(dāng)與對(duì)象匹配組合時(shí)，能夠改善面部識(shí)別系統(tǒng)的性能。

請注意，上述實(shí)施例僅是說明性的，本發(fā)明不限于上述實(shí)施例。上述方法的步驟的順序僅是說明性的，并且本發(fā)明的方法的步驟不限于以上具體說明的步驟。說明書中的各方面的各種組合應(yīng)包含在本發(fā)明的保護(hù)范圍中。

此外，本發(fā)明還可以被實(shí)施為記錄在記錄介質(zhì)中的程序，包括用于實(shí)現(xiàn)根據(jù)本發(fā)明的方法的機(jī)器可讀指令。因此，本發(fā)明還包含存儲(chǔ)用于 實(shí)現(xiàn)根據(jù)本發(fā)明的方法的程序的記錄介質(zhì)。

雖然通過示例詳細(xì)說明了本發(fā)明的一些特定實(shí)施例，但是本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，以上示例僅是說明性的而不限制本發(fā)明的范圍。本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，可以修改以上實(shí)施例，只要不背離本發(fā)明的范圍和精神即可。所附權(quán)利要求限定了本發(fā)明的范圍。